2017年10月27日, 由清华大学苏州研究院指导, 清新汽车, 清研车联联合主办的 '自动驾驶快速产业化的密码' 主题沙龙在苏州举办. 清华大学苏州汽车研究院院长成波围绕 '中国智能网联汽车产业发展机遇' 为主题做了发言.
会上, 智能网联汽车是选择渐进式发展还是跨越式发展?成波表示, 传统车企和互联网企业对此各自选择了不同的发展路径. 而针对现有企业争论, L3阶段到底要不要?他表示: '原来主机厂都是坚持要循序渐进, 沃尔沃前段时间发布说跨过L3, 从L2直接到L4. 不过我感觉这个很难跨过去, 从L2到L4这个鸿沟还是非常大. ' 另外, 他还透露我国正在组建国家级智能网联汽车创新发展平台.
以下为成波院长演讲实录:
清华大学苏州汽车研究院院长 成波
将智能网联汽车产业技术发展的声量放大
今天我们是第一次以沙龙的形式一块儿来分享一些话题. 因为我们在智能网联汽车研究上做了很多年, 国内, 国际上也是做了一些前瞻性技术研究, 包括场景方面也有一些建树. 不过感觉这些东西还是需要大家联合起来做, 不管是做技术, 包括做产业等, 还是需要大家一块参与. 我们实际上跟汽车工程学会有一次大型的年会, 不过感觉一年一次年度会议还不够, 所以我们有一个设想, 希望能够通过这种沙龙比较宽松, 比较灵活的方式, 包括技术的研究人员, 包括教育的人才, 包括投资者各方一块儿来探讨, 这是智轮行沙龙成立的一个基本初衷.
智轮行沙龙以全国巡回的方式, 组织月度技术专题沙龙. 期间, 还将发布行业研究报告, 由清华大学苏州汽车研究院通过研究并与清新汽车团队完成. 另外, 通过行业热点事件讨论, 搭建围绕汽车, 交通, 互联网, 通信等多领域的交流平台. 在此, 清华大学苏州汽车研究院也聘用清新汽车总编刘雄为产业研究总监, 加快与研究院内部产业研究团队深度互动, 通过清新汽车的媒体优势, 将智能网联汽车产业技术发展的声量放大, 促进产业正向发展.
关于智能网联汽车概念介绍
今天我们讨论这个话题, 属于智能网联汽车.
原来我们说智能汽车, 更多的还是自动驾驶, 它是通过车载的传感器来感知, 决策然后控制. 网联的定义里面不需要智能, 你只要联网就可以了, 两个合起来就是智能网联汽车, 这是一个概念的出处.
美国的SAE汽车工程学会对智能化的程度做了一个定义, 从L1到L5. 第一级是单功能的预测, 前面有障碍, 来帮助你紧急刹车, 或者帮助你打方向盘规避, 或者给你预警. 第二级是集成, 第三级一部分实现车辆自动驾驶, 第四级是一般的结构化道路上都可以不需要人来驾驶.
去年的技术路线图里面, 把它这个定义分成三级, 一等就是通过网联对汽车驾驶进行辅助, 比如提供信息, 说前面弯路的时候人看不见, 来提供信息. 第二是对它进行感知, 第三是决策与控制, 这个就构成了我们对智能网联的一些基本概念.
还有一些概念, 一个是大家知道的智能汽车, 智能交通, 还有车联网, 智能网联汽车就是在中间, 它们都相关, 又有各自比较精准的定义.
智能网联汽车发展需要跨界融合
另一个就是智能汽车它是跨界融合的, 光有汽车行业做不好智能网联汽车, 另外汽车没有交通的环境, 做得再好也没用. 智能网联汽车车辆本身需要感知, 决策, 控制, 要能自主导航, 要能跟人进行交互, 这是它本身的功能. 不过它产业本身和生态环境都需要大家的融合, 这里面有定位, 地图, 有V2X, 车和车要进行联络, 车和人要进行联络, 车和基础设施要进行联络, 还有信息通讯, 汽车共享服务, 大数据, 当然还有其他的一些, 构成整个产业的生态.
另外, 一旦出行就有事故, 就有责任, 无人驾驶的车撞人了怎么办?谁来承担责任?无人驾驶的车能不能上路, 这个路权谁来定义?尤其是现在不成熟的产品, 谁敢把它放到路上去?所以这里面有法律的问题, 有规范的问题, 标准的问题, 保险的问题, 还有道德的问题.
什么道德问题?大家可能都听说无人驾驶车是由工程师编程序控制的, 这个程序遇到危险以后是选择撞谁?是撞墙还是撞人?对于乘车人和外面的人, 这个设计是利他还是利己?这里面就涉及到一个道德问题.
通过看这个整个生态更详细的图谱, 发现涉及到上游的软硬件问题, 处理器, 储存器, 还有驾驶的硬件, 软件, 商业应用, 包括技术的解决方案, 也包括传统整车制造, 整个生态中, 我们的汽车制造企业只占那么一角.
现在做预期, 在这里面未来盈利最大的可能是移动服务的提供商, 在整个价值链里面可能是占位最高的. 还有平台的服务商和终端软件的设备. 而对于其他的硬件, 在这里面不占优势.
渐进式发展VS跨越式发展? 传统车企与互联网企业选择各不同
对于智能网联汽车到底应该怎么去发展?这一直是有争论, 或者大家在选择一些不同的方向与路径, 也是必然的, 因为都在探索. 智能网联汽车未来是一个什么画像, 实际上现在也没画太清楚, 刚刚说分五级, 分六级, 这也都是我们一个理想的状态.
从现在参与到整个行业里面的, 一个是传统的汽车厂, 包括它的零部件供应商. 还有一些新兴的互联网, ICT还有一些服务的企业. 在发展的时候有两种不同的路径, 对于传统的主机厂肯定是渐进式的, 因为它转型的包袱太重, 他不可能把现在所有的车都扔掉, 一步跨到无人驾驶, 这是不可能的. 另外它的一些供应商必须一块儿走, 一个是商业上的利益共享机制, 另外一个主机厂的核心技术不在零部件供应商手上.
另外互联网企业, 选择的则是直接从高度的自动驾驶这儿来做, 因为制造不是他的强项. 所以这是两个不同的路径.
L3级恐很难跨越
我们说多少级, 实际上现在认真弄下来, 不需要分那么多级, 高度自动驾驶和完全自动驾驶可以做成一个等级, 1和2实际上也可以做成一个等级, 3也许是一个过渡, 实际上分3级就够了. 因为到第3级以后, 前面1级, 2级驾驶员是100%的责任, 无论用不用驾驶辅助系统, 出了事故责任都是人的. 到了3, 车的控制权可以发生转移, 我这个指令或者说系统要求, 系统可以接管汽车的驾驶. 也就是说在这段时间发生的事故, 可能这个责任要重新划分.
另外对系统技术的要求, 更多的是它的可靠性问题, Fail safe就是系统出故障了要保证它安全, 首先要把车停下来, 靠边停下或者紧急刹车. 到车辆责任完全由系统来控制, 这段时间, 这个时空他是完全负责的. 在这个时候出现故障以后, 车还得人驾驶, 还得行驶, 行驶速度可能下来. 飞机现在到空中都是无人驾驶, 它一定要求系统是多套的, 这个对于整个系统的可靠性提出了远远超出我们现在想象的要求.
现在也有企业在争论, L3阶段要不要?原来主机厂都是坚持要循序渐进, 沃尔沃前段时间发布说L3他们跨过去了, 从L2直接到L4, 是有这些说法. 不过我感觉这个很难跨过去, 从2到4这个鸿沟是非常大.
'单车智能 ' 与 '网联智能' 两种技术路线的博弈
对于智能网联汽车, 怎么个造法?也是有不同的路线. 特斯拉现在的智能化水平实际上是2的水平, 它现在基本不依赖基础设施, 更多的是用它车载的传感器来实现自动驾驶. Google一开始就是依托于高精度地图, 它到一个城市就要用三维的激光雷达把所有的模型造好, 这个车实际上是跑在数字地图上, 它才能够对照并进行精准定位, 来对车进行控制. 现在普遍接受的是谷歌这种多一些, 欧洲, 北美都在大量的采用道路数据. 像特斯拉做这种可能也有它的理由, 真要等着基础设施完善, 车不知道什么时候才能上路, 需要在有限的条件下首先让车能跑起来, 这还是两条不同的技术路线选择.
新的平台技术现下比较单薄
我们现在说智能网联汽车是一个颠覆性产品, 所谓的颠覆不光是从使用, 实际上我们在整车的架构方面, 一些核心技术上, 也出现了一些新的需要突破, 这里列了十个, 我们说传统车上没有的, 作为支撑现在智能网联汽车平台性的技术, 不是单一的技术. 感知, 决策, 电子电器架构原来是有的, 不过在智能驾驶情况下, 电子电器架构要重新定义. 还有车载的终端, 现在我们都是单向的, 只是播放信息, 以后它是双向交互, 以后语音的交互, 还有一些视觉的交互, 它会有很多, 包括信息的交互.
还有车载的计算平台, 现在我们都是用微型的计算ECU来, 未来在车载需要大量进行数据的处理, 进行判断, 所以这个计算平台一定要有. 高精度的地图, 大数据, 云控, 还有信息安全, 人工智能, 这些都是未来不可或缺的. 而这里面现在的积累从全球来讲, 还是比较单薄的.
人工智能至关重要
在这里面提到人工智能, 之所以智能汽车这么快发展, 尤其最近开始加速, 人工智能在这里面发挥了比较大的作用. 从人工智能来讲, 目前我们能看得到有些出色表现的, 比如AlphaGo把冠军棋手全打败了, 它在计算上, 在局部游戏这方面做到极致. 到下一步感知智能, 一个是听, 一个是看, 现在从数据上来讲, 性能上来讲都超过或者赶上人, 而且未来肯定会比人更强. 认知这块它就要理解, 现在在车用上还没有, 在一些医疗上有用. 第二轮人工智能爆发的时候是60年代时候, 也是医疗专家系统, 它的识别精度就比人要高得多.
除了在感知这块, 在行为决策, 直接控制这块它也能发挥作用. 不过目前来讲, 还是在感知这块现在有比较明确的一些结果. 而对于增强学习和迁移学习这块, 现在英伟达做样车在进行尝试, 它在高速公路上跑了10公里, 还是处于特别初级的阶段.
我们回过头简单说一下自动驾驶, 它基本的任务我们认为一个是环境感知, 一个是驾驶的决策, 一个是车辆的控制, 车辆控制这块实际上传统的车里面基本上已经解决了. 一个是感知, 一个是决策, 这是需要新增的. 感知这里面它有环境的识别, 有情景的理解, 决策就有行为决策还有路径规划, 这是细分来讲.
在这里面做这个事情也有两类方法, 一类是我们说传统的, 它是基于规则的, 把一些复杂的道路环境识别把它分成一个一个独立的问题, 然后一个一个去解决, 这是我们解决复杂问题的一个基本逻辑. 就是把这个复杂问题给它分解, 简单化. 不过我记得几十年前就有提出来, 复杂的问题并不一定要通过这种结果的方式去解决, 不过那时候他提的理论实用性不强. 现在我们说端到端的进行机器深度学习, 它可能没有严密的逻辑或者说数学逻辑, 所谓端到端就是我有一个输入图象, 我既可以识别这个道路上的这些障碍物, 同时我还可以直接延伸到来产生我操作的一些指令, 这就是端到端.
这里两种方法它各有优劣, 我们说现在端到端这块的识别, 精度确实非常高, 不过它有一些致命的弱点, 一个是它的可解释性太差, 就是这个黑匣子, 这个结果到底是合理不合理?说不清楚, 为什么是这个结果, 它也说不清楚, 是因为什么产生, 产生的理由, 依据也搞不明白. 这个最大的问题就是对于我们汽车制造商, 出了问题以后我要迅速的把这个问题找到而且要替换它. 如果我们整个控制系统以后是学习的, 说出了问题了, 这个故障你怎么去找?那是没法找的, 所以这个可解释性就成了未来品质追溯的一个重大的难关.
另外还带来一个问题, 以后是在线学习, 说我车卖你的时候是一个样, 你每天开的那个地方, 你常年开上海这个街道和常年开苏州街道学出来的结果就不一样, 你在北京练出来的车, 到纽约不一定跑的好. 美国车肯定训练完了到中国寸步难行, 类似这些东西带来很大的不确定性.
它的好处就是对于算法, 对于复杂度非常高, 人不用写代码了, 你有个基本的架构我来进行一些适应性的训练, 这个是受到大家追捧的.
这是说到环境感知, 我们再分解一下, 跟大家再科普的专业一点, 环境感知实际上可以分成三个层次, 一个层次是识别, 路上有车还是有人, 有树. 第二个是情景的理解, 有这些东西了, 它是一个什么东西, 前面那个车是在我正前方还是要右转, 还是要掉头, 这个情景的理解需要. 第三个对于其他物体的预测, 行人也好, 车辆也好, 只有这个问题解决了, 我们说感知感觉, 知是感知, 知觉, 认知. 然后这些解决了以后才是决策, 才是控制, 才到车辆. 现在我们大部分工作在这块.
这是信息获取, 现在百度通过一些竞赛, 说信号灯识别准确率已经达到3个9, 行人检测已经超过95%了, 还有其他的一些指标, 包括车辆识别可能精度也是非常高, 这个比我们传统做环境识别的算法都要高得多, 未来他们在挑战行人的识别率也要达到几个9.
语义理解, 这是情景理解力的一部分, 因为车是在路上跑的, 哪些地方是我能跑的, 一个是在路上, 另外一个是没有障碍物, 现在没有, 将来我到的时候也没有, 这是预测. 还有边上站的一些人他的行为要进行预测, 通过不同颜色来进行区分, 再进行聚集以后它可以把这个区域轮廓画出来, 为决策提供非常便利的条件. 这些通过深度学习都可以解决.
对于行为决策更难一些, 这是传统的, 这是美国SAE弄的一个分层的结构, 每一个实际上还要细分, 所以这个东西要解决还是挺难的.
端到端这个时间不长, 1989年还是在校园里, 后面的也是最近几年, 随着人工智能的一些算法提升以后. 现在就是英伟达在做实车的测试, 其他的到控制端的还少.
现已启动建立国家级智能汽车创新发展平台
简单介绍一下未来我们存在的一些机会, 因为我们刚刚说的一些技术路线的选择, 因为一个产品要推出社会, 尤其要和人发生交互, 它整个生态链包括社会体系必须具备. 各个国家的政府高度重视, 而且都是把它列为国家战略, 国外对于一个产品它很难都列为国家战略, 从上个世纪九十年代开始, 围绕着交通, 把智能交通和智能汽车, 持续这二三十年一直在做, 美国, 德国, 日本基本上都是按一个节奏在走. 东京2020冬奥会就要推出自动驾驶服务车辆, 我们国家现在定的目标是在2022的冬季奥运会也会有自动驾驶车辆.
中国现在提出目标了, L3以下的到2020年装车率是50%, 这个是非常高的, 能不能实现这个真是不好说, 现在也就3年了. 2025到80%, 2030是新车标配, 而且汽车联网要100%, 这还是可以预期的, 我们先不管说实现路径怎么样, 作为一个国家, 尤其中国政府是说话算数的, 所以大家有的是机会.
目前我感觉机遇还是有的, 围绕现在定义的概念, 自动驾驶没有大规模的应用, 这块留给了我们一定的时间. 第二个, 现在的发展都是国家引领, 产业协同这么一个国家战略, 凡是说抱团打群架的, 中国一定是强的, 因为政府的号召力强, 政府还有钱, 所以这块只要方向不错, 我们说核心技术可以等一等再攻破, 就跟高铁一样, 我先把路给你跑上, 把车给你跑起来. 后面还有一些, 一个是我们汽车市场多, 任何车厂都可以到我们这儿来卖. 第二个我们场景复杂, 场景复杂有一个什么好处?我这儿训练的车到别的地方都不能跑. 你像欧洲, 美国训练出来的到中国跑不了. 第三个, 我们现在做统一的平台, 尤其信息安全这是未来一个名正言顺的壁垒, 所有的车到中国跑必须入网, 数据必须交出来, 必须按我们的规矩来, 所以这些我感觉是有机会的. 另外中国现在的智慧城市还是下一步经济发展的重点.
最新的一个动态, 现在发改委正在发力, 工信部在技术创新这块推动比较大, 发改委现在是要在产业这方面, 现在已经在启动要建立国家级的智能汽车创新发展平台.
另外车厂也在动起来, 这个我感觉是有机会的.
未来将是服务来引领创新
有几个趋势, 跟大家分享, 讨论, 一个是驾驶逐步的去人化, 从上个世纪我们说智能汽车, 智能交通, 就是通过智能化让人少参与汽车的驾驶, 或者不参与汽车的驾驶. 因为汽车发生事故, 10%是车本身的故障产生的, 欧美这些车可能5%都不到, 道路环境大概30%, 有的地方可能多一点. 人的原因是90%, 所以让人尽可能的少开车或者不开车, 这是解决交通安全事故的重点, 现在一年交通事故伤亡120万到130万, 这个是巨大的.
另外提高效率, 只要不是人开车, 就没有脾气, 车就会按统一的路径来走. 低成本.
第二个肯定是逐步走向共享, 中国这么大的人口基数, 我们按照国外的人均汽车拥有量那绝对是走不通的, 出行的需要又是一个刚需, 所以通过共享, 现在共享在国内推动的还是比较快. 所以共享以后, 品牌的价值会降低, 客户是买服务不是买品牌, 另外出行因为方便了, 大家出行也没有任何顾虑, 估计短途的, 长途的都会增加.
第三个, 移到服务, 我们都认为这里面有它转型的障碍, 在现有的土壤上要成长出一批新的主机厂来替代. 未来应该是由服务来引领创新, 而不是技术来驱动创新. 电动汽车可能会找到它更好的发展机会.